流VM-Net:在X射线冠状动脉血管学中使用时间信息融合进行增强的血管细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 心血管疾病研究研究

背景情况:

• 在X射线冠状动脉血管学 (XCA) 中,冠状动脉血管的准确细分对于诊断和治疗冠状动脉疾病至关重要.
• 在XCA图像中的运动文物和影像对精确的船舶细分提出了重大挑战.

研究的目的:

• 开发一个先进的深度学习模型,FlowVM-Net,用于XCA图像序列中的冠状动脉血管的增强细分.
• 通过结合动态时间信息和强大的特征融合来解决当前方法的局限性.

主要方法:

• 提出了FlowVM-Net,这是一种新的编码器-解码器架构,集成了一个用于时间信息的光流模块.
• 引入了一个波纹扩展卷积视觉状态空间模型块 (VMamba) 和基于注意力的光流特征融合模块.
• 采用复合损失函数,包括边界差与联合损失,以提高边缘和薄容器细分的准确性.

主要成果:

• 在 542 个样本的数据集上,FlowVM-Net 在 542 个样本的数据集上实现了 85.17% 的 Dice 相似系数 (DSC), 85.15% 的灵敏度和 90.49% 的质量得分.
• 该模型在保持船只连续性和准确细分薄船只方面表现出有效性.

结论:

• FlowVM-Net成功地利用XCA序列中的动态上下文来改善冠状动脉细分.
• 拟议的方法提供了一种有希望的方法,通过精确的血管细分来增强冠状动脉疾病的诊断和治疗.